Maschinelles Lernen im Gesundheitswesen

Heutzutage spielt maschinelles Lernen (das Teil der gesamten Wissenschaft der künstlichen Intelligenz ist) eine der größten Rollen in vielen Bereichen unseres Lebens - einschließlich des Gesundheitswesens. Dies kann verschiedene gesundheitsbezogene Aspekte umfassen, wie die Entwicklung neuer medizinischer Verfahren, den Umgang mit Patientendaten und die Vorhersage der Ergebnisse der Behandlung von Krankheiten .

Wenn es jedoch darum geht, das Ergebnis von Operationen und anderen medizinischen Behandlungen vorherzusagen, ist die Wirksamkeit von Methoden des maschinellen Lernens zumindest in Bezug auf die Vorhersage des Ergebnisses unter Verwendung von Daten, die von menschlichen Ärzten und anderen Ärzten gesammelt wurden, nur wenig bekannt.

Vorhersage des Krankheitsverlaufs

In einer Studie im Journal der American Medical Association (JAMA) vom 12. Juli 2015 berichten Forscher des University of Rochester Medical Center und der University of Illinois, dass maschinelles Lernen es menschlichen Ärzten ermöglichen könnte, relativ genaue Vorhersagen zu treffen Krankheitsergebnisse.

Die Forscher unter der Leitung von Prof. Paul Nierenberg haben einen Algorithmus entwickelt, der eine Sammlung von Daten, einschließlich Patientendaten, verwendet, um die Krankheits- und Komplikationsergebnisse bei Operationen und anderen medizinischen Eingriffen vorherzusagen, indem Informationen aus Patientenakten mit Informationen aus dem Computer abgeglichen werden Programme, die die Wahrscheinlichkeit des Ergebnisses berechnen.

Vorhersage der Operationsergebnisse

Diese Informationen können dann in präoperativen Analysen verwendet werden, um die wahrscheinlichen Ergebnisse eines bestimmten Verfahrens vorherzusagen.

"Die aktuelle Generation diagnostischer und chirurgischer Verfahren ist eine Kombination aus computergestützter Simulation des gesamten Verfahrens und der Krankengeschichte des Patienten", erklärt Dr. Brian Meech, leitender Autor der Studie und Direktor des Zentrums für medizinische Informationen an der Universität von Rochester Ärztezentrum. "Leider simulieren die Computermodelle die Nutzen-Risiko-Analyse nur in einem relativ kleinen Teil der chirurgischen Eingriffe, häufig unter einem Prozent."

Die Analysemethode der Studie hatte Auswirkungen, die über die möglichen Auswirkungen des Verfahrens auf den Gesundheitszustand des Empfängers hinausgingen. Durch den Vergleich des Risikos von unerwünschten Ereignissen bei chirurgischen Eingriffen für Menschen jeden Alters wurde die Hypothese aufgestellt, dass eine größere Anzahl von Eingriffen vor der Diagnose und daher in einer anderen Altersgruppe durchgeführt worden wäre, wodurch das Risiko für unerwünschte Ergebnisse verringert wurde.

Die neue Studie analysierte die Daten von über 6.000 Operationen innerhalb eines Zeitraums von 40 Jahren in den USA, der zweitgrößten Population, in der solche Daten verfügbar waren.

Entwicklung neuer Medikamente

Der Einsatz von maschinellem Lernen in der vorbereitenden (frühen) Wirkstoffforschung bietet das Potenzial für verschiedene Anwendungen, vom ersten Screening von Wirkstoffen bis zur prognostizierten Erfolgsrate basierend auf biologischen Faktoren.

Es kann potenziell dazu beitragen, die Wirksamkeit und Sicherheit von Arzneimitteln vorherzusagen (eines der Hauptziele bei der Entwicklung neuer Medikamente) und Informationen über neue Inhaltsstoffe bereitzustellen, die sich möglicherweise zu neuen Medikamenten entwickeln.

Dieser neue Ansatz für die Entwicklung neuer Medikamente ist wichtig, da aktuelle Ansätze auf der Annahme beruhen, dass jede Verbindung ein spezifisches, gut untersuchtes Ziel hat, das die Entwicklung neuer Medikamente auf kleine Gruppen von Verbindungen beschränkt. Außerdem wurde davon ausgegangen, dass die "beste" Verbindung die erste ist, die klinische Studien erreicht.

Dies bedeutet, dass viele Verbindungen, die möglicherweise keinen Schaden anrichten, nur eine schwache Wirkung haben oder sich bei hohen Dosen als schädlich erweisen, die FDA-Zulassung erhalten können, obwohl diese Verbindungen nicht zuverlässig untersucht werden können, da sie mit zunehmender Dosis möglicherweise schädlicher sind.

Data Mining

Data Mining ist ein zunehmend wichtiges Forschungsgebiet im Bereich der öffentlichen Gesundheit. Durch die Ausführung einer Vielzahl von Aufgaben, z. B. maschinelles Lernen bei der Suche, kann Data Mining in einer Vielzahl von Formen durchgeführt werden: Anwenden eines auf Daten basierenden Modells zum Extrahieren der Bedeutung aus einem Datensatz, Extrahieren relevanter Variablen aus einem Datensatz und anschließendes Auswerten eines Modells auf diesen Variablen.

Data Mining ist ein hochkomplexes und interdisziplinäres Studienfeld, das von der grundlegenden Datenanalyse über Data Mining bis hin zur Dateninterpretation reichen kann.